跳到正文

LongVA

可处理超过 2000 帧的长上下文模型

访问官网

LongVA 是什么

LongVA 被介绍为一个能处理超过 2000 帧或超过 200K 视觉标记的长上下文转换模型。

你可以用它做什么

  • 把长视频用于语言到视觉的零样本转换
  • 试用 CLI 或 gradio 聊天演示
  • 调整采样与温度等生成参数

上手流程

  • 安装 CUDA 11.8 与 PyTorch 2.1.2 等依赖
  • 用 pip 安装模型及其依赖
  • 下载并加载预训练模型
  • 准备图像或视频文件作为输入

优点与缺点

✓ 我们认可的地方

  • 提供 Hugging Face 平台的快速启动代码示例
  • 功能列表提到 Video-MME 上的表现

! 需要留意的地方

  • 搭建需安装 CUDA 11.8 与 PyTorch 2.1.2 等依赖
  • 资料说明测试在 A100-SXM-80G 上进行

常见问题

能处理多长的视频?

资料说明可处理超过 2000 帧或超过 200K 视觉标记。

包含哪些演示?

功能列表列出 CLI 与基于 gradio UI 的多模态聊天演示。

最后评测: 2026-11-15

更多 AI 视频生成 工具

查看全部 →

评测方法